Mở đầu — vì sao bài này quan trọng
Hãy hình dung một tình huống quen thuộc: công ty bạn vừa mua license ChatGPT Team cho cả phòng ban, sếp gửi một email đầy hào hứng "từ nay ai cũng dùng AI nhé", và rồi... ba tháng sau, khi xem báo cáo sử dụng, bạn phát hiện chỉ có 4/30 người thực sự đăng nhập đều đặn. Số còn lại đăng nhập một lần cho biết, gõ "viết giúp tôi email", thấy kết quả nhàn nhạt rồi quay lại làm việc theo cách cũ.
Đây không phải là vấn đề công cụ. Công cụ vẫn tốt như ngày bạn mua nó. Vấn đề nằm ở AI literacy — năng lực hiểu, đánh giá và sử dụng AI một cách hiệu quả của từng con người trong tổ chức. Mua license là chuyện một ngày. Xây dựng năng lực là chuyện nhiều tháng. Và đây chính là khoảng trống mà rất nhiều đội ngũ rơi vào.
Câu hỏi quan trọng là: ai sẽ đứng ra lấp khoảng trống này? Câu trả lời, trong rất nhiều tổ chức, chính là Product Manager. Không phải vì bạn giỏi AI nhất — engineer có thể hiểu mô hình sâu hơn bạn nhiều. Mà vì PM có một vị trí đặc biệt: bạn làm việc xuyên suốt (cross-functional) với design, engineering, marketing, sales, data; bạn quen với việc thay đổi hành vi con người (vốn là bản chất của adoption); và bạn không phải là kỹ sư, nên bạn có thể dẫn dắt quá trình học cho những người không-kỹ-thuật mà không làm họ thấy bị áp đảo.
Bài này không nói về cách bạn dùng AI tốt hơn — những bài khác trong khóa đã lo việc đó. Bài này nói về cách bạn giúp cả đội cùng giỏi lên, biến AI từ một vài "ngôi sao đơn lẻ" thành năng lực chung của tổ chức.
Khái niệm cốt lõi
AI literacy là gì — và không phải là gì
AI literacy không phải là biết bao nhiêu prompt mẫu, cũng không phải là thuộc lòng tên các mô hình. Đó là một tập hợp năng lực có thể chia thành bốn tầng:
- Hiểu bản chất (conceptual): Biết LLM hoạt động bằng cách dự đoán từ tiếp theo, nên nó có thể bịa ra thông tin (hallucination); biết AI không "tra cứu sự thật" mà "tạo ra văn bản nghe hợp lý". Tầng này quyết định một người có tin AI một cách mù quáng hay không.
- Sử dụng (operational): Biết viết prompt rõ ràng, cung cấp ngữ cảnh, lặp lại để cải thiện kết quả, biết công cụ nào hợp với việc nào.
- Đánh giá phản biện (critical): Biết khi nào kết quả AI đáng tin, khi nào phải kiểm chứng, biết nhận ra số liệu bịa, nguồn giả.
- Trách nhiệm (responsible): Biết dữ liệu nào không được dán vào AI, hiểu rủi ro về quyền riêng tư, bản quyền, thiên kiến.
Vì sao PM là người dẫn dắt tự nhiên
Có ba lý do khiến PM phù hợp với vai trò này hơn cả Head of Engineering hay phòng Nhân sự:
- PM làm việc cross-functional: AI ảnh hưởng đến mọi vai trò — designer dùng để tạo mockup, sales dùng để soạn email, support dùng để tóm tắt ticket. PM là người hiếm hoi nhìn thấy toàn cảnh các workflow này, nên có thể thiết kế chương trình học sát với công việc thật của từng nhóm.
- PM không phải engineer: Đây tưởng là điểm yếu nhưng lại là điểm mạnh. Một kỹ sư dạy AI cho marketing dễ rơi vào ngôn ngữ kỹ thuật khiến học viên sợ. PM quen "dịch" giữa thế giới kỹ thuật và phi kỹ thuật, nên dạy dễ hiểu hơn.
- Sức ì của tổ chức (inertia): Con người mặc định kháng cự thay đổi. PM vốn đã thành thạo nghệ thuật quản lý thay đổi — thuyết phục stakeholder, chạy thử nghiệm nhỏ, dùng dữ liệu để chứng minh giá trị. Đó chính là những kỹ năng cần để vượt qua sức ì khi đưa AI vào đội.
Mô hình trưởng thành AI literacy của một đội
Để biết đội mình đang ở đâu, hãy dùng thang bốn cấp:
- Cấp 0 — Phớt lờ: Không ai dùng, hoặc dùng lén lút, sợ vi phạm quy định.
- Cấp 1 — Tò mò lẻ tẻ: Vài cá nhân tự dùng, không chia sẻ, kết quả không ổn định.
- Cấp 2 — Có quy chuẩn chung: Đội có hướng dẫn, có thư viện prompt chung, biết việc nào nên/không nên dùng AI.
- Cấp 3 — Tích hợp vào quy trình: AI là bước mặc định trong các workflow, có người đo lường hiệu quả, có cơ chế cải tiến liên tục.
Tình huống thực tế
Ví dụ 1: Tiki và "thư viện prompt nội bộ" thay vì khóa học suông
Giả định một đội Product gồm 12 người tại một sàn thương mại điện tử lớn ở Việt Nam (lấy bối cảnh tương tự Tiki). PM tên Hằng được giao "phổ cập AI cho đội". Lần đầu, chị tổ chức một buổi workshop 2 tiếng mời chuyên gia bên ngoài đến nói về Generative AI. Mọi người gật gù, nhưng tuần sau quay lại làm việc như cũ.
Lần thứ hai, Hằng đổi cách. Thay vì dạy lý thuyết, chị lập một bảng Notion chung gọi là "Prompt Cookbook", trong đó mỗi tình huống công việc thật của đội đều có một công thức kèm prompt mẫu: "Tóm tắt 200 phản hồi khảo sát thành 5 chủ đề", "Soát lỗi logic trong PRD", "Sinh 10 biến thể tiêu đề A/B test". Mỗi tuần Hằng yêu cầu mỗi thành viên đóng góp 1 prompt mới mà họ thấy hữu ích.
Kết quả sau sáu tuần: thư viện có 47 prompt, và quan trọng hơn, tỷ lệ người dùng AI hàng ngày tăng từ 3 lên 10 trên 12 người. Bài học: AI literacy lan tỏa khi nó gắn vào công việc thật và được học hỏi ngang hàng (peer learning), chứ không phải khi được "giảng" từ trên xuống.
Ví dụ 2: Một fintech ở Singapore và bài học về tầng "trách nhiệm"
Tại một công ty fintech quy mô vừa ở Singapore (khoảng 80 nhân sự), đội ngũ rất hào hứng với AI và adoption lên rất nhanh — nhưng họ bỏ qua tầng 4 (responsible). Một nhân viên customer success đã dán toàn bộ một bảng dữ liệu chứa thông tin định danh khách hàng (tên, số tài khoản) vào ChatGPT để nhờ "phân tích pattern khiếu nại". Sự việc bị phát hiện trong một đợt audit, suýt gây rắc rối pháp lý theo luật bảo vệ dữ liệu PDPA.
Sau sự cố, PM phụ trách đã không cấm AI — đó sẽ là phản ứng tệ nhất, đẩy mọi người về cấp 0. Thay vào đó, anh xây một quy tắc một trang đơn giản: "3 không" — không dán dữ liệu định danh khách hàng, không dán mã nguồn nội bộ, không dán hợp đồng/tài liệu mật. Kèm theo đó là danh sách công cụ "an toàn" đã được duyệt (có thỏa thuận không huấn luyện trên dữ liệu). Bài học: AI literacy mà thiếu tầng trách nhiệm là một quả bom hẹn giờ; PM phải dạy "khi nào KHÔNG dùng" song song với "khi nào dùng".
Ví dụ 3: Đội marketing và "AI champion" mỗi nhóm
Tại một startup SaaS giả định ở TP.HCM, PM nhận ra mình không thể tự kèm cặp từng người trong 40 nhân sự khắp các phòng ban. Anh áp dụng mô hình AI champion: chọn ra mỗi phòng (marketing, sales, support, design) một người nhiệt tình nhất, đào tạo sâu cho họ, rồi để họ trở thành đầu mối hỗ trợ trong chính phòng mình.
Mỗi champion chạy một buổi "AI clinic" 30 phút mỗi tuần — ai có câu hỏi cứ mang đến. Sau ba tháng, mỗi phòng tự hình thành được bộ workflow riêng phù hợp với đặc thù công việc. Bài học: AI literacy không scale bằng một người hùng; nó scale bằng cách xây dựng mạng lưới người dẫn dắt phân tán và để kiến thức chảy theo các kênh tin cậy sẵn có trong tổ chức.
Hướng dẫn từng bước
Dưới đây là quy trình sáu bước để bạn — với vai trò PM — xây dựng AI literacy cho đội mình.
Bước 1 — Đánh giá điểm xuất phát. Trước khi dạy bất cứ điều gì, hãy đo. Gửi một khảo sát ngắn (5 câu): mọi người đang dùng AI cho việc gì, dùng tần suất nào, e ngại điều gì, và một câu hỏi kiểm tra hiểu biết (ví dụ "AI có thể bịa ra số liệu không?"). Việc này cho bạn biết đội đang ở cấp nào và mỗi tầng năng lực đang thiếu ở đâu.
Bước 2 — Bắt đầu từ nỗi đau thật. Đừng dạy AI một cách chung chung. Hãy chọn 2-3 công việc lặp đi lặp lại, tốn thời gian, mà cả đội đều than phiền — ví dụ tổng hợp feedback, soạn release note, chuẩn bị báo cáo tuần. Biến chính những việc đó thành bài học đầu tiên. Khi người ta thấy AI giải quyết đúng nỗi đau của mình, động lực học tự đến.
Bước 3 — Tạo tài sản dùng chung (shared assets). Lập một nơi tập trung: thư viện prompt, danh sách công cụ đã duyệt, và bộ quy tắc dữ liệu. Tài sản dùng chung biến kiến thức cá nhân thành kiến thức tổ chức — đây là điểm khác biệt giữa "vài người giỏi" và "cả đội giỏi".
Bước 4 — Thiết lập nhịp học hỏi. AI literacy không xây trong một buổi. Hãy tạo nhịp đều đặn: 15 phút "AI win của tuần" trong họp đội (ai chia sẻ một cách dùng hay), hoặc một kênh Slack/Telegram chuyên để khoe và hỏi. Việc học diễn ra liên tục, từng chút một, mới ngấm.
Bước 5 — Chỉ định người dẫn dắt phân tán. Khi đội vượt quá ~15 người, bạn không thể tự kèm hết. Hãy chọn AI champion cho từng nhóm như ví dụ 3. Bạn đào tạo champion, champion đào tạo nhóm.
Bước 6 — Đo lường và điều chỉnh. Sau 4-6 tuần, đo lại: tỷ lệ dùng hàng ngày, thời gian tiết kiệm được ở các workflow mục tiêu, và mức độ tự tin của đội. Dùng số liệu để chứng minh giá trị cho lãnh đạo và để biết nên đẩy mạnh phần nào tiếp theo.
Lỗi thường gặp & mẹo
Lỗi 1 — Tưởng mua license là xong. Đây là cái bẫy đắt giá nhất. Adoption không tự đến từ việc cấp công cụ. Mẹo: ngân sách cho việc đào tạo và xây dựng năng lực ít nhất phải tương đương ngân sách mua công cụ.
Lỗi 2 — Dạy lý thuyết quá nhiều, thực hành quá ít. Một buổi workshop hoành tráng về "lịch sử AI" gây ấn tượng nhưng không đổi được hành vi. Mẹo: theo tỷ lệ 20/80 — 20% khái niệm, 80% người học tự gõ tay vào việc thật của họ ngay trong buổi học.
Lỗi 3 — Bỏ quên người hoài nghi. Luôn có những người (thường là người giỏi nghề lâu năm) thấy AI là mối đe dọa. Phớt lờ họ sẽ tạo ra hai phe. Mẹo: kéo họ vào bằng cách cho họ thấy AI làm phần nhàm chán để họ tập trung vào phần đòi hỏi chuyên môn cao của họ — định vị AI là trợ lý, không phải kẻ thay thế.
Lỗi 4 — Bỏ qua tầng trách nhiệm cho tới khi có sự cố. Như ví dụ fintech, dạy "dùng AI" mà quên dạy "không dán gì vào AI" là công thức cho rắc rối. Mẹo: bộ quy tắc dữ liệu phải là bài học số 1, không phải bài học cuối cùng.
Lỗi 5 — Không đo nên không chứng minh được giá trị. Khi lãnh đạo hỏi "chương trình này đáng tiền không?", bạn cần số liệu. Mẹo: chọn 1-2 chỉ số đơn giản ngay từ đầu (ví dụ thời gian soạn release note giảm từ 90 xuống 30 phút) và theo dõi liên tục.
Mẹo bổ sung — Tôn trọng yếu tố ngôn ngữ. Trong bối cảnh Việt Nam, hãy lưu ý rằng chất lượng AI với tiếng Việt khác với tiếng Anh; một phần của AI literacy cho đội là dạy mọi người biết khi nào nên làm việc bằng tiếng Anh rồi dịch lại, khi nào dùng trực tiếp tiếng Việt được.
Bài tập thực hành
- Khảo sát điểm xuất phát: Soạn một bản khảo sát 5 câu để đo AI literacy hiện tại của đội bạn (hoặc đội giả định gồm 10 người). Phải có ít nhất một câu chạm tới mỗi tầng trong bốn tầng năng lực (hiểu, sử dụng, đánh giá, trách nhiệm).
- Thiết kế Prompt Cookbook tối thiểu: Chọn 3 công việc lặp lại điển hình của một đội Product. Với mỗi việc, viết một mục cookbook gồm: tên tình huống, prompt mẫu, ví dụ kết quả, và một lưu ý "cần kiểm chứng điều gì".
- Viết bộ quy tắc dữ liệu "3 không": Soạn một trang quy tắc về dữ liệu nào không bao giờ được đưa vào công cụ AI bên ngoài, phù hợp với bối cảnh công ty bạn. Thêm danh sách 2-3 công cụ đã duyệt và lý do.
- Lập kế hoạch 30 ngày: Phác thảo lộ trình đưa đội bạn từ cấp hiện tại lên cấp tiếp theo trong 30 ngày, ghi rõ mỗi tuần làm gì, ai là AI champion, và chỉ số nào bạn sẽ đo ở cuối tháng.
Tóm tắt
AI literacy là năng lực hiểu, sử dụng, đánh giá phản biện và dùng AI một cách có trách nhiệm — trải trên bốn tầng, và một chương trình tốt phải chạm đủ cả bốn, không chỉ dừng ở mẹo prompt. PM là người dẫn dắt tự nhiên cho việc này bởi vị trí cross-functional, khả năng "dịch" giữa kỹ thuật và phi kỹ thuật, và kinh nghiệm quản lý thay đổi để vượt qua sức ì của tổ chức.
Chìa khóa không nằm ở công cụ mà ở con người: bắt đầu từ nỗi đau thật, xây tài sản dùng chung, tạo nhịp học hỏi đều đặn, phân tán việc dẫn dắt qua các AI champion, và luôn đo lường để chứng minh giá trị. Đừng quên tầng trách nhiệm — dạy "khi nào không dùng" song song với "khi nào dùng" — và tôn trọng yếu tố ngôn ngữ trong bối cảnh Việt Nam. Khi làm đúng, bạn biến AI từ vài ngôi sao đơn lẻ thành năng lực chung, bền vững của cả đội.